# 编码智能体运行框架

AA-Robotics v0.1 把前沿语言模型放进编码智能体框架里，直接控制一台六轴机械臂（5个关节加一个夹爪）完成八项桌面任务，并按100分制打分。此前这类模型能否直接操作机械臂缺少统一对照，如今五个模型在零样本条件下跑同一套任务：GPT-6 Astra 以69.4分居首，GPT-6.1 Sol 为64.6分，Gemini 4 Argon 为55.3分，Claude Opus 5.5 与 Claude Fable 5.1 分别为48.8分和46.3分。模型平均每项任务约30分钟，比人类基线慢约100倍，成本上最省的 GPT-6.1 Sol 为每项1.93美元，最贵的 GPT-6 Astra 为16.36美元。

AA-Robotics v0.1 把前沿语言模型放进编码智能体框架里，直接控制一台六轴机械臂（5个关节加一个夹爪）完成八项桌面任务，并按100分制打分。此前这类模型能否直接操作机械臂缺少统一对照，如今五个模型在零样本条件下跑同一套任务：GPT-6 Astra 以69.4分居首，GPT-6.1 Sol 为64.6分，Gemini 4 Argon 为55.3分，Claude Opus 5.5 与 Claude Fable 5.1 分别为48.8分和46.3分。模型平均每项任务约30分钟，比人类基线慢约100倍，成本上最省的 GPT-6.1 Sol 为每项1.93美元，最贵的 GPT-6 Astra 为16.36美元。

该研究构建了覆盖 40 个编码智能体 harness 的十类安全机制分类体系并评估 400 个 harness–机制单元（205 个确认实现、83 个确认缺失、112 个未决），随后提出 HarnessSecurity-Bench，用 23 个任务、五个攻击面和独立确定性判据在 GLM-5.2 下对六款 harness 运行 2,500 次试验，发现开启自动批准使攻击成功率从 29.2% 升至 95.6%，网络隔离与只读模式分别把攻击成功率从 57.1% 和 8.3% 降至 0.8% 但带来 24.5 和 34.0 个百分点的效用损失，而命令白名单与黑名单分别以小幅效用损失和效用提升降低攻击效果。

该研究构建了覆盖 40 个编码智能体 harness 的十类安全机制分类体系并评估 400 个 harness–机制单元（205 个确认实现、83 个确认缺失、112 个未决），随后提出 HarnessSecurity-Bench，用 23 个任务、五个攻击面和独立确定性判据在 GLM-5.2 下对六款 harness 运行 2,500 次试验，发现开启自动批准使攻击成功率从 29.2% 升至 95.6%，网络隔离与只读模式分别把攻击成功率从 57.1% 和 8.3% 降至 0.8% 但带来 24.5 和 34.0 个百分点的效用损失，而命令白名单与黑名单分别以小幅效用损失和效用提升降低攻击效果。